[發明專利]基于注意力機制的胃癌細粒度分類方法

有效

• 申請號: 202110566099.1
• 申請日: 2021-05-24
• 公開（公告）號: CN113192633B
• 公開（公告）日: 2022-05-31
• 發明（設計）人: 梁美彥;任竹云;王茹
• 申請（專利權）人: 山西大學
• 主分類號: G16H50/20
• 分類號: G16H50/20;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 山西五維專利事務所(有限公司) 14105
• 代理人: 雷立康

1.基于注意力機制的胃癌細粒度分類方法，其特征在于，具體步驟為：

步驟一：對獲取的不同微衛星狀態的胃癌病理圖像進行預處理；將預處理后的胃癌病理圖像數據按照8:1:1的比例分為訓練集、驗證集和測試集；

步驟二：構建深度神經網絡，并嵌入注意力機制模塊，組成基于注意力機制的輕量級卷積神經網絡模型，所述注意力機制模塊為包含通道注意力模塊和空間注意力模塊；

步驟三：設置模型超參數，使用訓練集對所述基于注意力機制的輕量級卷積神經網絡模型進行訓練及建模，并實時采用驗證集對建模結果進行評價，在訓練和驗證的過程中，通過Adam優化器對損失函數進行優化，從而控制參數調整的方向，建立優化的基于注意力機制的胃癌細粒度分類模型；

步驟四：將胃癌病理圖像測試集通過優化的基于注意力機制的輕量級卷積神經網絡模型進行分類；

所述注意力機制模塊包含通道注意力模塊和空間注意力模塊兩部分時，所述通道注意力模塊與空間注意力模塊以串行的方式連接，先經過通道注意力模塊再經過空間注意力模塊；

所述通道注意力模塊是對特征圖F的通道權重分配Fc，具體為：

(I)所述通道注意力模塊的輸入是每一次經過卷積-池化模塊后得到的特征圖F；

(II)對所述特征圖F在空間維度上分別進行全局平均池化和全局最大池化，逐通道聚合特征映射的空間信息，生成兩個不同的空間上下文描述符，平均池化描述符和最大池化描述符

(III)所述平均池化描述符和最大池化描述符經過共享多層感知機網絡獲得平均池化和最大池化的通道注意力映射圖；

(IV)采用Sigmoid函數對所述平均池化和最大池化的通道注意力映射圖進行激活；

(V)采用元素求和的方式合并對激活后的平均池化和最大池化的通道注意力映射圖，得到最終的通道注意力映射圖M_c(F)，具體公式為式中：σ為Sigmoid函數，W₁和W₀分別為共享多層感知機網絡輸入層到中間層、中間層到輸出層的權重；

(VI)將通道注意力映射圖M_c(F)和特征圖F逐元素相乘，實現對所述特征圖F的通道權重分配Fc，具體公式為

所述空間注意力模塊是對特征圖Fc的空間位置權重分配F_S，具體為：

(i)所述空間注意力模塊的輸入為通道注意力模塊的輸出特征圖Fc；

(ii)對所述通道注意力映射圖在通道維度上應用全局平均池化和全局最大池化運算聚合通道信息，生成兩個二維描述符，平均池化描述符和最大池化描述符

(iii)對所述平均池化描述符和最大池化描述符進行連接，生成一個有效的特征描述符

(iv)應用一個卷積層對所述特征描述符進行卷積生成空間注意力映射圖M_s(F)，具體公式為式中：f^3×3為卷積核為3×3的卷積計算，[.；.]表示連接操作；

(v)將M_s(F)和特征圖F_c逐元素相乘，實現對所述特征圖F_c的空間位置權重分配F_S，具體公式為

2.根據權利要求1所述的基于注意力機制的胃癌細粒度分類方法，其特征在于：所述不同微衛星狀態的胃癌病理圖像進行預處理，包括：將所述不同微衛星狀態的胃癌病理圖像的尺寸統一調整為N×N，并對統一尺寸的不同微衛星狀態的胃癌病理圖像進行歸一化處理；N為病理圖像在寬度維和高度維的像素數。

3.根據權利要求1所述的基于注意力機制的胃癌細粒度分類方法，其特征在于：所述深度神經網絡為自主構建的輕量級卷積神經網絡，所述卷積神經網絡包括一個輸入層、五個卷積層、五個池化層、一個全連接層和一個輸出層；其中，所述卷積神經網絡的輸入層用于輸入所述不同微衛星狀態的胃癌病理圖像，所述卷積神經網絡的卷積層和池化層交替連接組成所述卷積-池化模塊，用于對所述輸入層的不同微衛星狀態的胃癌病理圖像進行特征提取，所述卷積神經網絡的全連接層用于對五個連續卷積-池化模塊提取的不同微衛星狀態的胃癌病理圖像特征進行學習和分類，所述卷積神經網絡的輸出層用于輸出不同微衛星狀態的胃癌病理圖像的分類結果。